纽约市出租车交通需求分析 二维码
57
城市是一个动态的复杂系统，量化个体的时空出行行为能够有效反映城市组分的动态变化。交通需求强调交通的发生源（Origin）和吸引源（Destination），本文利用数理统计、空间统计和复杂网络理论发现不同时段下交通需求的热点、空间自相关特性和OD流形成的社区结构及特征，为理解城市交通潜在时空特征和结构提供一些视角和见解。 研究区域与数据 纽约市位于美国纽约州，被全球化与世界级城市研究小组与网络（GaWC）评为Alpha++级世界一线城市，共包含五个行政区——Manhattan, Bronx, Brooklyn, Queens, Staten Island。 纽约市出租车OD数据来源于纽约市出租车和豪华轿车委员会的出行记录（ Taxi and Limousine Commission，https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page），选取黄色和绿色出租车2016年6月7日（星期二）、2016年6月11日（星期六）数据为研究对象。原始数据字段包含OD点经纬度坐标、上下客时间、乘客数、出行距离和支付信息等。 原始数据样例
计算行程时间、行程速度，应用孤立森林算法筛选特征异常值，删除异常值及研究区域范围外的OD数据，以1英里（总体出行距离的25%）划分网格单元作为分析单位，以降低空间异质性对分析结果的不利影响。
分析区域及研究单元 经时间序列分析，选取工作日早高峰（7am-10am）、晚高峰（5pm-8pm）、周末午高峰（12pm-3pm）、晚高峰（5pm-8pm）为时间分析单元。
总体出行记录的时间序列 交通需求热点发现 使用核密度估计发现交通需求的热点分布。核密度估计是一种非参数概率密度估计方法，在ArcGIS中用于计算要素在其周围邻域中的密度。概念上，每个点上方均覆盖着一个平滑曲面，在点所在位置处表面值最高，随着与点的距离的增大表面值逐渐减小，在与点的距离等于搜索半径的位置处表面值为零。
利用ArcGIS对纽约市4个高峰期的交通需求空间热点分析，并通过自然间断点分级可视化。
工作日OD热点：a)早高峰Origin；b)早高峰Destination； c)晚高峰Origin；d)晚高峰Destination，下同。 工作日，早高峰出租车上客热点主要集中在曼哈顿中部，分布在公交车(Port Authority bus Terminal)、地铁(Penn Station, Grand central Terminal)、机场(LaGuardia airport)等交通枢纽。下客热点集中在曼哈顿中部和南部，主要集中于Grand central Terminal和Park Avenue周边，此外，World Trade Center周边地区和曼哈顿南部金融区的存在聚集现象，曼哈顿上东区的多个医疗地点也是热点之一。 晚高峰上客热点主要包括Penn Station, Grand Central Terminal, Park Avenue, 57th Street, East 86th Street, and LaGuardia Airport，下客热点包括居住、餐饮、购物、娱乐地点，热点地理分布分散、功能更加多样化。
休息日OD热点：a) 午高峰Origin；b) 午高峰Destination； c) 晚高峰Origin；d) 晚高峰Destination。 在休息日，出租车交通需求热点除上述主要交通枢纽外，主要含有百货商店(Bergdorf Goodman, Bloomingdale)、公园(Central Park, Union Square)、教堂(St. Patrick’s Cathedral)、影剧院（Broadway周边）。Broadway的热点画像在晚高峰下客过程中更显著。 交通需求的空间自相关 全局、局部莫兰指数用于发现交通需求的空间自相关特征，利用Geoda软件实现。全局莫兰指数揭示空间中数据与周围区域之间的平均关联度，p值和Z得分用于衡量自相关的显著性：
局部莫兰指数用于确定研究区域空间自相关的具体位置和相关类型。
四个高峰时段的Origin空间自相关特征 整体上，纽约市各时段的全局莫兰指数均为正、接近于1，且Z值较高，交通需求呈现空间自相关特征。从局部莫兰指数的空间分布和聚集类型可以发现，曼哈顿区呈现交通需求的H-H型聚集、Queens-Midtown呈现L-H特征，下客地理分布更广，且在纽约市东南部呈现L-L特征，均存在统计学意义的显著性。由此推断，出租车倾向于在市中心载客，并将乘客运送至较远的周边地区。
四个高峰时段的Destination空间自相关特征 交通需求社区结构及其交互特性 以研究区域的网格单元为节点、OD行程为连边、乘客数为边权构建交通网络有向图，基于此，Fast unfolding算法用于交通社区结构发现。此外，节点的加权度用来衡量节点在交通网络中的重要性。基于度分布的思想，定义社区k内节点的加权度分布（I为统计数值区间）：
为分析社区间的节点交互特征，利用节点与社区k内部节点间的边权与节点加权度的比值构建节点i与社区k的互动强度：
四个高峰时段下的交通社区结构 各高峰时段下，社区内节点的加权度均服从幂律分布。说明各高峰时段下某一交通社区结构的形成总是存在极少承担大量交通发生与吸引作用的节点，而大部分节点的重要性都较低。
四个高峰时段下的社区加权度分布 加权度越大，意味着节点的重要性越高。在多数社区中，随着节点的加权度增加，与其所在社区的交互强度逐渐增强，随后减弱。而与其他社区的交互强度逐渐减弱、随后增加。说明在社区中重要性适中的节点往往与社区内部交通连接是最紧密的，而重要性极高的节点同时吸引/产生多个社区间的出行行为，对社区结构划分产生了不利影响。基于上述分析，交通社区的形成往往是由交通需求众多的关键区域所决定的，但这些区域与所在社区的联系可能有限。
四个高峰时段下各社区内部节点加权度与其他社区的交互强度 作者信息 本文作者：Xie C。内容整理自以下论文。 Xie C, Yu D, Zheng X, et al. Revealing spatiotemporal travel demand and community structure characteristics with taxi trip data: A case study of New York City[J]. PLoS One, 2021, 16(11): e0259694. 上一篇广东省中山市交通拥堵分析
下一篇英国道路流量数据简介
文章分类：
数据采集
|
